张洁琼
特变电工新疆新能源股份有限公司 陕西省西安市 710119
摘要：现如今，光伏并网容量不断增加，研究光伏发电功率短期预测对减轻光伏系统并网对大电网的冲击、提高电网接纳光伏系统的能力有着重要意义。本文基于光伏辐照度及环境数据，结合实际工程项目中的历史数据，在Matlab软件中基于BAS-BP模型实现对光伏电站输出功率的短期预测，结果表明，该模型能够较好的达到预测目的。
关键词：光伏；功率预测；BAS-BP模型
1 预测方法及水平概述
目前常规的预测方法分为3类[1]：①基于太阳总辐射预报和光伏I/V特性曲线仿真模型的仿真预报法；②基于太阳总辐射预报和光伏转换效率模型的原理预报法；③基于历史气象资料和同期光伏发电量资料，采用统计学方法（如多元回归、神经网络等相关算法）进行分析建模，再输入数值模式预报结果的动力-统计预报法。根据预测内容的差异，存在以下3种预测水平分类：①对于点预测，常采用平均绝对误差百分比（Mean Absolute Percentile Error, MAPE和方均根误差（Root Mean Square Error，RMSE）等指标对预测结果进行评价。针对不同数据和不同模型的预测结果有所差异，统计发现：对于短期预测，误差基本上在5%～25%，且多集中在10%～20%，晴天的预测精度较高，雨天和多云天的预测精度较低。②对于区间预测，常采用预测区间覆盖率（Prediction Interval Coverage Probability，PICP）、预测区间平均宽度（Prediction Interval Normalized Average, PINAW）和区间分数（Interval Score，IS）等指标对预测结果进行评价。统计发现：PICP都能满足额定置信水平的要求，PINAW在15%～25%，IS在2%～5%。③对于概率预测，常用秩概率评分（Ranked Probability Score，RPS）、分位数评分（Quantile Scoring，QS）和Theil系数等指标来衡量预测水平。统计发现：RPS、QS和Theil系数分别在1～5、0.01～0.05和0.1～0.6之间。
2 基于BAS-BP模型的光伏发电系统发电功率预测
2.1 预测系统描述
通过对工程项目的历史数据进行整合分析，筛选影响光伏发电功率的因素；首先搭建基于BP（Back Propagation）神经网络模型，实现对光功率、光出力预测。由于使用单BP神经网络模型预测发现预测精度不够以及预测不够稳定，因此在BP算法的基础上添加优化算法，改变单BP算法预测精度不准确的问题，通过构建BAS（Beetle Antennae Search）-BP预测模型，实现了大幅度提升预测精度以及预测的稳定性，解决了预测精度和稳定度不够的问题。
2.2 BAS-BP预测方法
光伏短期预测模块通过数据库读入模块，从数据库中读入光伏历史数据，训练光伏短期预测模块并得到预测结果。光伏超短期预测模块，在光伏短期预测结果基础上，通过数据库读入光伏实测数据，滚动修正预测结果，得到光伏超短期预测结果并输出。
2.3 逻辑及算法
(1).创建表示天牛须搜索行为的随机方向向量：
式中，rands(·)为随机函数；k为空间维度。
(2).创建模仿天牛左右须搜索行为的左右须空间坐标：
式中：xt为第t次寻找时天牛的空间位置；xrt为第t次寻找时天牛右须的空间位置；x1t为第t次寻找时天牛左须的空间位置；dt为第t次寻找时天牛须长。
(3).创建模仿天牛搜索行为的移动模型；
式中：xt+1为第t+1次寻找时天牛的空间位置；xt为第t次寻找时天牛的空间位置；δt为第t次天牛检测移动的步长；sign()为符号函数；f()为适应度的函数。
(4).BAS-BP神经网络模型的建立
由于BP算法初始权值、阈值是采取随机初始化方式取得，学习过程中采用梯度下降方式动态调整权值和阈值，搜索调整时容易陷于局部最优、速度慢等问题。先建立天牛须搜索与BP神经网络相结合的模型，通过天牛须搜索对BP网络初始权值、阈值进行寻优，然后使BP网络在寻优的基础上开展后续的学习训练，从而加快收敛进程、避免陷入局部最优，最终提高预测模型的准确性。建模步骤如下：
①确定适应度函数。以模型输出值与期望输出值的均方误差MSE为适应度函数，适应度函数最小时对应的权值、阈值为最优解，适应度函数表示
式中：N为训练的样本数量；Xmodel，i为第i个样本的模型输出值；Xture，i为第i个样本的实际值。
②创建表示天牛须搜索行为的随机方向向量。对于结构为nsr-nyhc-1的BP网络，搜索空间维度就是需优化的权值与阈值数量之和，k=nsr×nyhc+nyhc×1+nyhc+1，其中nsr为输入层单元数，nyhc为隐含层单元数。
③确定天牛须长度dt及搜索步长δt：
天牛须长度dt对应天牛在搜索空间中的探索能力，其初始值应当足够大，使天牛在初始阶段可以跳出局部最优。dt应随着搜索时间的延续而减小，以进行精确探索。天牛搜索步长δt关系着收敛速度，步长的初始值应当与搜索空间相适应，天牛须长及步长衰减系数通常取0.95，c为常数。
④确定BAS-BP神经网络结构。
在BAS-BP模型中，输入层的4个单元为温度T、湿度RH、电流I、可靠度R(t)。输出层1个节点为失效时间t。对于隐含层单元数量的选取，可参考如下公式：
其中：nsr为输入层单元数；nsc为输出层单元数；nyhc为隐含层单元数；c为[1,10]间的常数。
启动天牛进行搜索。计算天牛左右须的空间位置，比较天牛左右须所处适应度函数的大小，从而更新天牛的空间位置，以此启动天牛进行搜索，不断更新最优解及最优适应度。
确定最优解。若MSE小于预定精度或迭代次数达到要求，则停止天牛须搜索，此时最优适应度对应的解为最优解，利用其对BP网络的权值、阈值进行初始化。
2.4 预测结果分析
基于BAS-BP神经网络模型的光功率预测系统得出光伏预测结果，拟合度达到0.94，符合预测要求。见图1所示。
图1光功率预测与实际出力对比图
3 结语
本文基于BAS-BP神经网络理论和Matlab工具，结合实际工程项目的历史数据和光伏辐照度及环境（温度、湿度、气压）数据，建立输出功率预测模型。经验证，本模型基本能够实现光伏电站短期输出功率预测。有效的光伏发电预测有助于优化调度方案、提高光伏发电时数、降低电网运行成本和昔日旋转备用容量、提高电网安全水平，还将对未来光伏发电智能调度和微电网能量管理系统（MEMS）最优控制奠定坚实的基础。根据预测的结果，供电部门可以合理安排电网运行方式、有效维持电网系统内供需平衡、延长储能单元的使用寿命、保证微电网运行的稳定性和经济性。因此，开展预测方法研究，开发相关系统软件模型，实现光伏发电功率的预测十分必要的。
参考文献
[1]李芬，陈正洪，成驰．太阳能光伏发电量预报方法的发展[J]．气候变化研究进展，2011，7(2)．
[2]卢静，翟海青，刘纯.光伏发电功率预测统计方法研究[J]．华东电力，2010，38(4)．